Reweighting Underlying Event and Colour Reconnection parameter variations in Sherpa

Technische Zusammenfassung: Umgewichtung von Parametervariationen für den zugrunde liegenden Ereignisprozess (Underlying Event) und die Farbrekonnektion (Colour Reconnection) in SHERPA

Problemstellung
Die präzise Phänomenologie in der Hochenergiephysik stützt sich auf Monte Carlo-Ereignisgeneratoren (MCEGs), um den Übergang von perturbativen Teilchenstreuungen zu nicht-perturbativen hadronischen Endzuständen zu simulieren. Während Unsicherheiten in perturbativen Regimen (z. B. Skalenvariationen, PDFs) effizient durch On-the-fly-Ereignisumgewichtung gehandhabt werden können, entstehen signifikante theoretische Unsicherheiten durch nicht-perturbative (NP) Modellierung, insbesondere durch Multiple Parton Interactions (MPI) und Farbrekonnektion (CR). Diese Modelle hängen von empirischen Parametern ab, die an experimentelle Daten „angepasst“ (getuned) werden müssen. Derzeit erfordert die Bewertung der Sensitivität von Observablen gegenüber diesen Parametern oder die Quantifizierung ihrer Unsicherheiten die Erzeugung dedizierter Simulationen für zahlreiche Punkte im Parameterraum. Dieser Prozess ist rechentechnisch prohibitiv und begrenzt daher Studien zu Unsicherheiten oft auf oberflächliche Vergleiche zwischen nur wenigen Generator-Tunes oder -Versionen.

Methodik
Die Autoren führen und validieren eine neue Methode zur On-the-fly-Ugewichtung von MPI- und CR-Parametern innerhalb des SHERPA-Ereignisgenerators ein. Der Ansatz ermöglicht die Propagation von Parameter-Variationen ohne die Neuerzeugung von Ereignissen, indem die Effekte durch relative Ereignisgewichte erfasst werden.

• MPI-Ugewichtung: Das MPI-Modell in SHERPA basiert auf dem Sjöstrand–van-Zijl (SZ)-Formalismus, der eine geometrische Überlappung hadronischer Materiedichteverteilungen und einen Sudakov-Formfaktor nutzt, um die Wahrscheinlichkeit sekundärer Streuungen zu regulieren. Der Umgewichtungsfaktor wird in zwei Komponenten zerlegt:

  1. Geometrischer Gewicht ($w_b$): Berücksichtigt Änderungen in der Impaktparameter-Stichprobe durch Variationen der Materiedichteverteilungsparameter (Radien $R_{1,2}$ und Gewichte $\alpha_1$).
  2. Sudakov-Gewicht ($w_{\text{Sudakov}}$): Berücksichtigt Variationen in der Akzeptanzwahrscheinlichkeit sekundärer Streuungen. Dies wird konstruiert, indem das wahre Integrand des variierten Parametersatzes gegen den ursprünglichen Satz für jedes akzeptierte und abgelehnte Streuereignis in der Ereigniserzeugungssequenz verglichen wird.
  • Einschränkung: Variationen in der Transversalimpuls-Abschneide ($p_{\perp,\min}$) sind unidirektional (nur Aufwärtsvariationen sind möglich), da Ereignisse, die mit einer niedrigeren Abschneide generiert wurden, den durch eine höhere Abschneide ausgeschlossenen Phasenraum nicht besetzen.

• CR-Ugewichtung: Das Farbrekonnektionsmodell ordnet Farblinien zwischen Partonen neu an, um ein Distanzmaß im Impulsraum zu minimieren, bevor die Hadronisierung erfolgt. Der Umgewichtungsfaktor wird multiplikativ für jeden Rekonnektionsversuch berechnet, wobei die Akzeptanzwahrscheinlichkeit $P_{\text{acc}}$ der variierten Parameter gegen die nominalen Parameter sowohl für akzeptierte als auch für abgelehnte Vertauschungen verglichen wird.

• Tuning-Framework: Die Methode wird in das Apprentice-Framework integriert, um multivariate Ersatzmodelle (polynomiale Approximationen) der Generatorantwort zu konstruieren. Dies ermöglicht ein globales Fit der MPI- und CR-Parameter an LHC-Daten (7 TeV) unter Verwendung einer einzigen nominalen Ereignissample, die auf 500 zufällige Parameterkonfigurationen umgewichtet wurde.

Wesentliche Beiträge

1. Erste Implementierung: Diese Arbeit präsentiert die erste Implementierung der On-the-fly-Ugewichtung für MPI- und CR-Modelle in SHERPA und erweitert damit die bestehenden Fähigkeiten zur perturbativen Umgewichtung auf zentrale nicht-perturbative Komponenten.
2. Recheneffizienz: Durch die Generierung einer einzigen nominalen Stichprobe, die durch Umgewichtung einen 4-dimensionalen (nur MPI) oder 5-dimensionalen (MPI+CR) Parameterraum abdeckt, reduzieren die Autoren den Rechenaufwand für das Tuning um den Faktor 250 im Vergleich zur Generierung dedizierter Stichproben für jeden Punkt.
3. Validierung: Die Methode wird durch rigorose „Abschlusstests“ (closure tests) validiert. Vorhersagen aus umgewichteten Stichproben werden mit dedizierten Generatorläufen für spezifische Parameterpunkte verglichen. Die Ergebnisse zeigen eine exzellente Übereinstimmung für intrinsische Modellvariablen (Impaktparameter, MPI-Multiplizität, CR-Multiplizität) und physikalische Observablen (geladene Teilchendichten, Transversalimpuls-Summen) bei Drell–Yan- und Jet-Produktionsprozessen.
4. Statistische Charakterisierung: Das Paper quantifiziert die durch Umgewichtung verursachte „statistische Verdünnung“ mittels der Kish-effektiven Stichprobengröße ($N_{\text{eff}}$). Es zeigt, dass $N_{\text{eff}}$ zwar für Parameterpunkte, die weit vom nominalen Satz entfernt liegen, abnimmt, aber für das Tuning innerhalb der untersuchten Bereiche ausreichend bleibt (z. B. $N_{\text{eff}} \approx 0,5N$ bis $0,7N$).

Ergebnisse

• Tuning bei 7 TeV: Die Autoren führten kombinierte Tunes für die SHERPA MPI- und CR-Modelle unter Verwendung von ATLAS- und CMS-Daten durch.
  • MPI-CRoff: Ein Tune mit deaktivierter CR lieferte einen Best-Fit-Parametersatz.
  • MPI-CRon: Ein Tune mit aktivierter CR lieferte eine signifikant bessere Beschreibung der Daten, insbesondere für Drell–Yan-Prozesse, bei denen das $\chi^2/\text{ndf}$ im Vergleich zum CR-off-Szenario effektiv halbiert wurde. Dies deutet darauf hin, dass die experimentellen Daten die Einbeziehung von Farbrekonnektionen favorisieren.
• Energieextrapolation: Die Autoren kalibrierten die Energie-Skalierung der dimensionsmäßigen MPI-Parameter ($p_{\perp,0}$ und $p_{\perp,\min}$) unter Verwendung des Skalierungsexponenten $\eta$. Durch die Umgewichtung einer einzelnen Stichprobe zur Abdeckung von $\eta \in [0,0; 0,08]$ bestimmten sie einen optimalen Wert von $\eta^* = 0,026$. Dieser einzelne Parameter beschrieb erfolgreich die Underlying-Event-Daten sowohl vom Tevatron ($\sqrt{s} = 1,96$ TeV) als auch vom LHC ($\sqrt{s} = 13$ TeV) simultan.
• Leistung: Die Laufzeit der Umgewichtung skaliert linear mit der Anzahl der Variationen, bleibt jedoch signifikant schneller als die Generierung äquivalenter dedizierter Stichproben. Die effektive Stichprobengröße bleibt robust genug, um ein hochpräzises Tuning zu unterstützen.

Bedeutung und Ansprüche
Das Paper behauptet, dass diese Umgewichtungsmethode eine signifikante Lücke in den Fähigkeiten moderner MCEGs schließt, indem sie eine effiziente Exploration nicht-perturbativer Parameterräume ermöglicht. Die Autoren positionieren diese Technik als essenziell für:

• Sensitivitätsstudien der Parameter: Ermöglicht die robuste Quantifizierung parametrischer Unsicherheiten On-the-fly.
• Tuning: Reduziert drastisch den Rechenaufwand für das Tuning von Generatoren und erleichtert die Anwendung fortgeschrittener Methoden wie dem History Matching (HM), die eine dichte Abtastung des Parameterraums erfordern.
• Zukünftige Simulationen: Bietet eine Grundlage für die Ära des High-Luminosity LHC, in der die präzise Kontrolle über nicht-perturbative Unsicherheiten entscheidend ist.

Die Autoren geben explizit an, dass die Methode zwar für MPI und CR demonstriert wurde, aber darauf ausgelegt ist, an andere Ereignisgeneratoren und andere nicht-perturbative Modelle (wie die Hadronisierung) angepasst zu werden, wobei zukünftige Arbeiten geplant sind, um dies auf die Cluster-Fragmentierung und Minimum-Bias-Simulationen von SHERPA auszuweiten. Die Methode wird nicht als Ersatz für dedizierte Läufe in allen Fällen präsentiert, sondern als leistungsfähiges Werkzeug, um die Rechenlast von Studien zur Parametersensitivität und zur Quantifizierung von Unsicherheiten zu mildern.